陈醒

开发支持用户语音或手势控制，使用软体机械臂的翻页机器人，协助残疾人和老年人阅读，获得校内组织Edinburgh Innovation的Best technical design award奖项。在团队内负责开发语音识别及手势识别模块。

基于ReAct框架的隐私管理助理，旨在通过深度理解用户的社交网络行为来提升隐私保护。该智能体集成了OpenAI的GPT-3.5-turbo模型，采用检索增强生成（RAG）技术，能够高效处理用户的自然语言查询，对社交媒体历史数据进行深入分析。此外，项目还实现了将用户的社交媒体历史转化为数据库形式，通过将自然语言指令转换为SQL查询，实现精确数据检索。借助双向编码器表示技术和大语言模型的结合，本工具还能够为用户提供非常精确的主题建模分析。

APP允许用户在手机对传感器佩戴者的动作进行实时预测，包括过度呼吸，摔倒，上下楼梯等等，以确保佩戴者安全。使用D.K. Arvind教授开发的呼吸传感器（Respeck）及动作传感器 (Thingy) 对用户的呼吸频率以及动作幅度进行采集，在团队内负责搭建LSTM-CNN模型进行训练，对长度为两秒钟的时间序列准确度达92%。

通过重构知识库和对话模型，将隐私管理AI助手转化为专业医疗咨询助理。系统整合了基础医疗知识库，能够进行初步症状评估和就医建议，并实时提供医院各科室的候诊信息 （模拟数据）。

作为共同第一作者，参与温州医科大学检验医学院张懿教授团队对可变剪切工具ASTK项目的开发并正在撰写论文。ASTK (Alternative Splicing Toolkit) 是一个基于指令控制的生物信息工具包，其中可变剪切预测模块使用小鼠基因组蛋白修饰值预测可变剪切事件类别，负责训练深度学习算法及多种机器学习算法，精确度可达90%以上。此前也参与该项目的前置研究并已于Advanced Intelligent Systems发表论文ASTK: a machine learning-based integrative software for alternative splicing analysis.

参与温州医科大学检验医学院张懿教授团队开发基因表达时间序列分析以及预测工具并正在撰写论文。 使用小鼠和人类的多个不同器官的基因表达数据进行时间序列分析，负责核心深度学习与机器学习预测算法，经过功能分析验证，算法在小鼠以及新冠患者数据实验上能够较准确地预测基因表达未来趋势。

作为机器学习工程师，开发了基于深度学习的个性化营养需求预测系统 (统和分析框架)。面对临床数据稀缺的挑战，创新性地将迁移学习与差分学习相结合，实现了小样本条件下的稳定预测。在团队中主导开发分子表征算法，通过结合化学信息学特征与深度学习方法，将药物分子结构转化为保持局部平滑性的向量表示，提升了模型对分子结构相似性的识别能力。（正在申请专利）

作为机器学习工程师，创新性地应用大语言模型分析药物相似性，通过整合药物作用机制、分子结构和靶点信息，构建了全新的药物相似性评估体系。该方法经严格统计验证，与世界卫生组织ATC药物分类系统具有显著的一致性，在准确性上明显优于传统的谷本系数和雅卡尔指数等化学结构相似性度量方法。（正在申请专利）

作为机器学习工程师，在跨学科团队中与医学和光谱学专家紧密合作，开发基于光学传感的多生理参数检测系统。该系统能通过光学方式无创测量血糖、血氧饱和度和心率等关键生理指标。在心率检测算法优化方面，通过将传统医学启发式算法与现代机器学习方法相结合，成功将初步心率预测的平均误差从8 BPM（每分钟心跳次数）降低至4 BPM，显著提升了测量精度。